Automatizaciones con N8N y Agentes de IA
MÓDULO 0: Consultoría de Procesos y Mentalidad de Automatización
Antes de tocar un nodo, aprendemos a pensar como consultores de automatización.
Visión Sistémica del Negocio:
La empresa como sistema de subsistemas interconectados.
Objetivos: Orden, predictibilidad y salud del negocio.
Niveles de Consciencia y Bloqueos:
Superar el "No tengo tiempo" y el "Miedo a perder el control".
Evolución desde el desconocimiento hasta la automatización estratégica.
Detección y Anatomía del Proceso:
Identificar tareas Repetitivas, Recurrentes y propensas al Error Humano.
Trocear el proceso: Diferencia entre la definición teórica y la realidad operativa (paso a paso real).
Documentación Técnica:
Técnicas de diagramado y grabación de procesos.
Checklist de levantamiento: Datos, responsables, sistemas afectados y gestión de excepciones.
Matriz de Decisión y ROI:
Cálculo matemático del coste de oportunidad (minutos/día vs días/año).
Criterios de priorización: Fricción, aporte de valor humano y complejidad técnica.
MÓDULO 1: Despliegue y Fundamentos de n8n
Entendemos por qué n8n es la herramienta favorita de los desarrolladores y la empresa privada.
Arquitectura: Diferencias entre Cloud, Desktop y Self-Hosted (Docker). Importancia para la privacidad de datos (GDPR).
Conceptos Core: Workflows, Nodos, Conexiones (Credentials) y Ejecuciones.
El Flujo de Datos: Entender la estructura JSON en n8n. Cómo los datos fluyen de nodo a nodo.
Trigger Nodes: Webhooks, Cron (Schedule), y eventos de apps (Slack, Email).
MÓDULO 2: Manipulación de Datos y Código (Low-Code vs Code)
Donde n8n brilla: potencia ilimitada si sabes un poco de lógica.
El Nodo "Code": Introducción a JavaScript (o Python) dentro de n8n para transformaciones complejas que ninguna herramienta No-Code puede hacer.
Expresiones: Uso de la sintaxis {{ $json.valor }} para mapear datos dinámicos.
Lógica de Control: Nodos If, Switch y Merge (Wait, Append, Keep Key).
Bucles y Batches: Uso de Split in Batches para procesar grandes volúmenes de datos sin saturar la memoria.
MÓDULO 3: IA Generativa y Agentes
N8n integra nodos para IA generativa y Agentes. Aprendemos a crear "cerebros" digitales.
Modelos (LLMs): Conectar OpenAI (GPT-4), Anthropic (Claude) o Modelos Locales (Ollama/Llama3) para privacidad total.
AI Agents: Diferencia entre una "Cadena" (Chain) simple y un "Agente" autónomo capaz de razonar.
Tools (Herramientas): Darle al Agente capacidad de usar calculadoras, buscar en Google o consultar una API externa.
Memoria: Uso de Window Buffer Memory para que el chatbot recuerde lo que le has dicho antes.
MÓDULO 4: RAGs (Retrieval-Augmented Generation) Avanzados
Creación de sistemas que "chatean con tus propios datos".
Concepto RAG: Qué es y por qué evita las alucinaciones de la IA.
Document Loaders: Nodos para leer PDFs, Textos, Notion o Webs completas.
Text Splitters: Estrategias para trocear documentos (Chunks) de forma óptima.
Embeddings: Transformar texto en vectores matemáticos (OpenAI Embeddings).
Vector Stores: Conectar bases de datos vectoriales (Pinecone, Supabase o Qdrant) para almacenar el conocimiento de la empresa.
MÓDULO 5: Robustez, Errores y Sub-Workflows
Arquitectura empresarial para sistemas críticos.
Error Workflow: Crear un flujo "fantasma" que se activa solo si el flujo principal falla.
Retry Strategies: Configuración de reintentos automáticos ante fallos de API.
Sub-Workflows (Modularidad): Crear flujos reutilizables (ej: un flujo único para "Enviar Log a Slack" que es llamado por otros 10 flujos).
🚀 PROYECTOS FINALES (Arquitectura RAG y Agentes)
Los alumnos desarrollarán podrán desarrollar alguno de estos sistemas (Hay opciones de poder hacer otros)
PROYECTO A: El Chatbot Corporativo Privado (RAG Seguro)
Objetivo: Un bot de RRHH que responde dudas sobre nóminas sin que los datos salgan de Europa.
Ingesta: n8n lee una carpeta de Google Drive con PDFs de normativas.
Vectorización: Trocea los textos y los guarda en una base de datos vectorial (Qdrant self-hosted).
Consulta:
Empleado pregunta en Slack.
n8n busca el fragmento relevante en Qdrant.
Envía el fragmento + la pregunta a un modelo local (Ollama) o Azure OpenAI.
Responde en Slack con la cita de la página exacta.
PROYECTO B: El Analista de Competencia Autónomo (Agente con Herramientas)
Objetivo: Un agente que investiga webs por su cuenta.
Trigger: Cada lunes a las 9:00 AM.
Agente IA: Se le da la instrucción: "Investiga los precios de la web de la competencia X e Y".
Herramientas: El agente usa un nodo "HTTP Request" o "SerpAPI" para navegar y leer el HTML.
Razonamiento: El LLM extrae los precios, los compara con los nuestros.
Output: Genera un reporte PDF con la comparativa y lo envía al Director Comercial.
PROYECTO C: Sistema de Triaje de Soporte Inteligente
Objetivo: Clasificar y responder tickets complejos usando lógica mixta (Code + IA).
Entrada: Nuevo ticket en Jira/Zendesk.
Clasificación: Un nodo de IA analiza la urgencia y el tono del cliente.
Acción Condicional:
Si es "Técnico": Busca solución en la documentación técnica (RAG) y sugiere un borrador de respuesta al técnico.
Si es "Facturación": Ejecuta un nodo SQL para consultar el estado de la factura en la base de datos real.
Cierre: Actualiza el ticket con la información interna lista para que el humano valide.
> Nota: Las clases son 100% prácticas. El contenido y la profundidad de los ejercicios se pueden adaptar a las licencias disponibles y necesidades específicas de cada empresa.